Python 尝试在Django中加载ML模型，以便对用户提交的图像进行分类

我已经做了一个小的图像分类器，我想在我的网站上使用。我让它在本地工作。我的观点与其他人的观点相去甚远

from .predict import classify

def index(request):
    if request.method == 'POST':
        form = MyImageClass(request.POST, request.FILES)
        if form.is_valid():
            cd = form.cleaned_data
            context = classify(cd)
            return render(request, 'my_html.html', context)
    ...

问题在

predict.py

中，我有

def classify(cd):
    loaded_model = tf.keras.model.load_model(filepath=r'C:\Django 
                                             Projects\my_project\my_app\trained_model')
    ...
    return context

---

正如我所说，上面的方法是可行的，但我希望能够用相对文件路径加载模型。我已尝试将其保存为SavedModel和h5文件。当我在python中运行

tf.keras.model.load_model（'my_model.h5'）

（比如main.py）时，文件与文件main.py位于同一目录中没有问题，但是如果我的代码与

predict.classify

中的代码相同，我会得到

OSError:SavedModel文件在my_model.h5/{saved_model.pbtxt | saved_model.pb}中不存在

通过

py manage.py runserver

使用我的网站时。我猜问题可能与静态文件有关？我不太确定。非常感谢您的帮助。

我认为您离正确的解决方案还很远：

• 首先，我建议您离开FVB，转而使用CBV。（相信我，这在django很重要）

• 其次，如果要使用“h5”或“hdf5”和“json”，则必须正确创建会话和全局图，这样每次创建runserver并向API发送调用时，只会生成预测，而不必在每次调用中加载模型

• 第三，如果您在Gunicorn+Nginx的生产中使用Django，您可以通过将“h5”模型转换为“tflite”并使用解释器生成预测，从而避免并行调用中的数据交叉，因为这很难在图形/会话中配置（但您可以，我做到了），而且，它大大减少了最终响应时间、RAM消耗和为使api正常工作而必须编写的代码量，以及项目的总重量，因为tflite更轻

• 另外，tflite不仅可以与gunicorn+nginx一起使用，而且在本地主机级别也可以很好地使用。（调试为真）

下面是一个示例项目 （时尚专家补充）

提示似乎是一种变通方法。这对我很有用，但我很想听听其他人的想法。